《Digital Chemical Engineering》：Hierarchical coordination and power generation optimization for interacted wind farms of large-scale wind farm cluster
编辑推荐：
为了克服大规模风电场集群发电优化中高维决策空间和非线性导致的实时计算和可扩展性问题，本文提出了一种双层分层框架（Two-tier hierarchical framework），该框架利用场间尾流偏转（inter-farm wake steering）。具体来
为了克服大规模风电场集群发电优化中高维决策空间和非线性导致的实时计算和可扩展性问题，本文提出了一种双层分层框架（Two-tier hierarchical framework），该框架利用场间尾流偏转（inter-farm wake steering）。具体来说，在下层，每个风电场跟踪上层发出的功率参考值，同时通过调整每台风机的偏航角（yaw angle）来最大化到达下游风电场入流的尾流亏缺速度（wake-deficit velocity）。训练深度神经网络（Deep Neural Networks, DNN）以学习风电场级优化并计算场间尾流，并将其作为上层优化问题的场间尾流模型。在上层，控制器通过调节给定环境风速条件下每个风电场的功率设定值（power set-points）来管理相邻风电场之间的尾流相互作用，以最大化整个集群的总功率输出。在中国某风电场集群上进行的数值实验证实，与传统的集中式优化相比，所提出的框架在显著降低计算成本和提高可扩展性的同时，实现了预期的优化性能。
**论文解读：大规模风电场集群的分层协调与发电优化**
**研究背景与问题**
随着全球风电装机容量的持续增长，风电机组向大型化、智能化及海上化方向发展。由于风资源在特定区域更为集中，且为降低变电站、输电系统等基础设施的建设运维成本，风电机组通常以风电场形式部署，并逐步演变为由多个相邻风电场组成的风电场集群。然而，在风电场集群中，上游风电场通过场间尾流影响下游风电场的发电量，导致下游风电场的容量因子下降约20%或更多。尽管尾流分析复杂，但优化场间尾流分布对于提升集群总发电量具有显著潜力。
现有研究多集中于单风电场内的尾流调控，例如通过轴向感应控制或偏航偏转来提升总功率。对于风电场集群优化，一种可行方法是将集群视为一个大型风电场，对所有风机实施集中式协调偏航优化控制（CYOC）。然而，随着集群规模扩大，风电场和风机数量大幅增加，优化控制问题面临高维决策变量、搜索空间巨大、计算复杂度高和计算时间长等挑战。此外，集中式优化控制不利于集群扩展，因为新增风电场时需要重新设计算法并重构整个集群的功率最大化问题，导致灵活性受限。因此，为应对大规模风电场集群优化中的实时计算和可扩展性问题，本研究提出了一种分层优化架构。
**研究内容与结论**
研究人员提出了一种双层分层框架，用于大型风电场集群的协调优化与发电控制。该框架包括上层集群级优化和下层风电场级优化。在上层，控制器通过考虑场间尾流相互作用，协调各风电场的功率设定值（power set-points），以最大化整个集群的总功率输出。在下层，每个风电场跟踪上层优化的功率设定值，同时通过调整每台风机的偏航角（yaw angle）最大化到达下游风电场入流的尾流亏缺速度（wake-deficit velocity）。为提升整体优化效率，采用深度前馈神经网络（DFNN）学习风电场级优化并计算场间尾流，作为上层优化的场间尾流模型。数值实验在中国广东省某海上风电场集群上进行，该集群包含159台风机（两个风电场，分别有92台和67台风机）。结果表明，与传统的集中式优化方法相比，该分层框架在显著降低计算成本和提高可扩展性的同时，实现了预期的优化性能。论文发表在《Digital Chemical Engineering》。
**关键技术方法**
本研究主要采用以下关键技术方法：①三维高斯偏航尾流模型（3D Gaussian yawed-wake model），用于描述风机间及场间尾流相互作用，并考虑偏航偏差的影响；②深度前馈神经网络（DFNN），用于学习风电场级优化问题的输入输出映射，快速评估场间尾流亏缺及风电场实际功率；③基于贝尔曼方程（Bellman equation）的集群级功率优化算法，通过递归更新价值函数优化各风电场功率设定值。样本数据来源于中国广东省某海上风电场集群的实际布局与风机参数。训练数据集通过粒子群优化（PSO）算法求解不同风况和功率设定值下的风电场级优化问题生成。
**研究结果**
**1. DFNN模型性能验证**：通过对比PSO算法优化与DFNN预测的尾流亏缺速度（ΔT
j,i(l)），在测试集和高风速条件下，DFNN的均方根误差（RMSE）分别为0.0097和0.0125，决定系数（R
2）分别为0.9998和0.9674，表明DFNN具有高预测精度和强泛化能力。
**2. 尾流分布改善**：在不同来流条件下，优化后的偏航角使下游风电场大部分入流区域的风速明显提升，场间尾流效应得到缓解，尤其是当上下游风机间距较小时，改善效果更显著。
**3. 功率提升效果**：在30°–90°风向下，两个风电场及集群的总功率均有所提升，集群功率提升幅度介于两个风电场之间。在固定风向下，功率提升随风速增大而降低；在固定风速下，不同风向导致尾流传播路径不同，提升效果各异。与集中式梯度法（C-GM）和启发式法（C-HM）相比，所提分层方法（H-RM）在大多数风况下表现更优。在正北来流下，H-RM总功率输出比C-GM和C-HM分别高0.221%和0.390%；在正南来流下分别高0.608%和0.990%。在低风速（3–5 m/s）和中风速（8–10 m/s）下，H-RM的提升幅度显著高于高风速（15–17 m/s），因为高风速时风机接近额定功率，尾流效应减弱。
**4. 计算效率对比**：在1000组随机来流条件下，H-RM的平均计算时间为1.6秒，最大为3.7秒，而集中式优化平均需238秒，最大306秒，H-RM计算时间降低约83倍。
**5. 可扩展性验证**：对于包含2至10个风电场（每个风电场80台风机）的集群，H-RM在不同风况下的平均计算时间从1.3秒增至40.7秒，最大计算时间从3.2秒增至74.9秒，满足实时控制要求。
**总结讨论**
本文分析了由多个风电场组成的风电场集群优化控制的特征与挑战，针对这一大规模分布式系统，提出了一种分层优化控制框架。该框架通过上层协调各风电场功率设定值、下层实施风电场级偏航控制，并利用深度前馈神经网络（DFNN）加速场间尾流评估，同时采用贝尔曼方程（Bellman equation）提高集群级优化效率。案例研究表明，该分层框架在提升计算效率、增加集群总功率输出方面具有显著优势，且具有良好的可扩展性。研究结论部分原文翻译如下：本文分析了由多个风电场组成的风电场集群优化控制的特征与挑战。针对这一大规模分布式系统，提出了一种分层优化控制框架。在上层，协调并优化各风电场的功率设定值。在下层，每个风电场采用协调偏航控制（coordinated yaw control）跟踪上层优化确定的最优功率设定值，最终得出整个集群所有风机的偏航角指令。为加速场间相互作用评估，开发了基于学习的深度前馈神经网络（DFNN）模型，用于跟踪功率设定值并获取优化的场间尾流。此外，提出了一种基于贝尔曼方程（Bellman equation）更新的上层风电场集群功率优化算法，在保持优化性能的同时提高计算效率。所提出的架构还表现出良好的可扩展性。利用实际风电场的案例研究表明，所提出的分层优化控制框架提高了计算效率，并增加了风电场集群的总功率输出。
